本报告提出一种结合隐含波动率曲面动态信息的深度强化学习动态对冲方案，通过引入前瞻性波动率曲面因素，利用混合LSTM与FFNN的神经网络结构优化对冲策略。该方法在模拟与历史回测中均优于传统Black-Scholes、Leland以及微笑隐含Delta等基准，对冲性能和风险控制显著提升，且在考虑交易成本时表现更稳健，同时通过Shapley值分析确认了隐含波动率关键因子对风险降低的重要贡献[page::0][page::1][page::2][page::4][page::13][page::16][page::25][page::27][page::28]
本报告基于高频市场制造连续时间马尔科夫决策模型，构建离散时间近似模型，理论分析了采样频率对强化学习算法的影响，揭示学习误差与样本复杂度间的权衡关系。进一步拓展到两个市场制造者的博弈框架，证明离散时间纳什均衡收敛至连续时间纳什均衡，并应用纳什Q学习算法计算均衡策略。数值模拟验证理论结果，为高频市场制造中的RL算法采样频率选择提供指导 [page::0][page::3][page::8][page::12][page::16][page::20][page::23][page::24]
本报告利用Lange和Papageorgiou(2020)提出的非参数方法，结合日本Hello Work平台1972年至2024年的月度数据，首次非参数估计日本劳动力市场的匹配效率及匹配弹性，揭示匹配效率呈下降趋势，且匹配弹性在失业者与职位间存在显著波动。报告将岗位匹配失配指数扩展为非参数版本，并通过MPEC方法计算，发现职业层面的匹配失配明显高于地域层面，并且传统Cobb-Douglas模型低估了失配程度[page::0][page::1][page::6][page::12][page::27]
本研究基于2018至2023年首尔信用卡数据，运用相关性密度指标，揭示消费者对住宅附近多功能购物行为的偏好。发现相关性密度在2公里以内的购物距离内对购买决策影响显著，疫情期间该效应有所减弱但于2023年部分回弹，反映出消费行为的韧性与地区差异，丰富了经济地理和复杂性经济学视角下的消费行为研究 [page::0][page::2][page::11][page::14][page::23]。
本报告结合随机矩阵理论与复杂网络分析，构建了基于S&P500股票的关联网络，通过几何布朗运动模拟“市场”与“噪声”成分的股票收益率相关性，定量区分集体市场模式与噪声影响，提出了一种利用网络关键节点和社区结构优化相关矩阵的方法，并基于此构建的市场模式模拟随机游走优化组合管理，在短期内收益提升达50% ，显著优于传统历史数据方法，验证了复杂网络分析在资产配置中的应用价值[page::0][page::4][page::6][page::11][page::12]
本文构建一个封闭的宏观经济代理模型，结合异质家庭与适应性企业，重点纳入失业救济金政策对就业质量、工作稳定性及工龄的影响。模型创新性地引入个体价值观、社会规范及社交网络，对不同失业救济金水平和期限的多场景模拟表明：延长失业救济期限并不必然提升岗位匹配质量，反而可能削弱通过社交网络的有效求职，凸显社交关系在劳动力市场动态中的关键作用 [page::0][page::2][page::8][page::14]
本报告研究了非马尔可夫不完备市场中采用Epstein-Zin型递归效用的最优消费-投资问题。文章通过构造带有特定指数矩的二次型BSDE，推导出最优策略并验证了相关局部鞅为真鞅的性质，进而保证了策略的可采纳性，同时给出了对应的对偶问题及其无双重性，最后以Heston、线性扩散及CIR模型作为实例加以说明[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18][page::19][page::20][page::21][page::22].
本报告针对多目标组合优化中的不确定性问题，提出了基于基准组合的多目标最小后悔鲁棒优化框架。通过引入多种基准选取方法并应用于包含危机、正常和增长三种市场情境的实际资产数据，研究展示了该方法对提升组合风险管理的有效性及其在不同市场行情下的适应性，为多目标鲁棒投资策略提供了理论与实践结合的支持 [page::0][page::1][page::2][page::3][page::4]。
本报告提出基于最大均值差异（MMD）与签名核的生成模型，通过利用签名变换捕捉金融时间序列的复杂依赖与时序结构，结合移动平均模型生成结构化噪声，有效重现波动聚集等金融序列表征。模型在标普500指数数据实验中优于GAN类方法，且生成的合成数据成功用于训练强化学习投资组合管理代理，并创新提出通过调整噪声输入增强模型对不同市场环境的鲁棒性的方法。[page::0][page::5][page::12][page::22][page::24]
本报告提出结合经济复杂性指数（PCI和ECI）来度量城市中央地位的新指标，基于首尔小微企业地理位置大数据，验证该指标捕捉了中央地理论关于产品和地点中心性的递归关系，揭示高PCI产品对应更广阔的市场边界，高ECI区域体现了城市的经济中心功能及生产力特征，为城市规划与区域经济策略提供现代工具且避免隐私问题 [page::0][page::2][page::6][page::8][page::11]
本报告提出了一种基于神经网络的深度delta对冲框架，通过学习对冲函数与隐含Black-Scholes delta之间的残差函数，显著提升对冲效果。利用标普500指数期权十年数据，结果显示残差学习比直接学习对冲函数的增益率高出100%以上，且增加输入特征对看跌期权提升更明显。此外，残差学习仅用三年数据即可达到十年直接学习的效果，体现出数据需求更低且性能更优的优势 [page::0][page::2][page::12][page::16][page::17]。
本文研究包含随机工资的最优退休问题，在资产市场不完整的框架下，将消费-投资-休闲策略和退休时机的选择转化为自由边界问题，采用对偶方法推导相关偏微分方程，揭示了劳动收入风险和市场不完备性对最优退休边界及策略的影响，拓展了完备市场模型，为寿命消费投资决策提供理论框架 [page::0][page::7][page::8][page::9]。
本报告提出StockAgent，一种基于大型语言模型(LLM)的多智能体股票交易仿真系统，能够模拟投资者在现实市场环境下的交易行为及对宏观经济、政策变动等外部因素的响应，避免历史数据泄漏问题。通过对GPT与Gemini两种LLM驱动下的交易行为差异分析，揭示了不同模型对市场态度及交易策略的显著影响。系统还支持多轮实盘交易仿真，验证了外部经济事件对交易行为和价格波动的作用，为基于LLM的投资建议和量化策略研究提供了重要工具与洞见 [page::0][page::5][page::12][page::15][page::18][page::19][page::20]
本报告系统性研究了在蒙特卡洛估计存在偏差的样本平均逼近(SAA)框架下，多层蒙特卡洛(MLMC)方法的收敛性与计算复杂度。通过克拉美大偏差理论，实现了SAA和MLMC-SAA的统一收敛分析，量化了收敛率和样本复杂度，并采用经验过程理论进行了均方根误差(RMSE)分析，突破了有限矩条件依赖。数值实验以条件风险值(CVaR)估计为例，验证了MLMC的显著计算优势，体现了MLMC-SAA在金融风险管理和嵌套期望优化中的有效应用 [page::0][page::2][page::3][page::4][page::17][page::19][page::21]
本报告评估了41种机器学习模型（21分类器和20回归器）在比特币算法交易中的表现，结合多种技术指标与滚动窗口方法，通过回测、前瞻测试及实盘交易验证其准确性和稳定性。研究表明随机森林和随机梯度下降模型在利润和风险控制上表现优异，提供了加密货币交易领域机器学习模型选择与应用的系统性指导 [page::0][page::2][page::6][page::8][page::9][page::10]。
本报告提出通过微调大型语言模型(LLMs)实现基于金融新闻流的股票收益预测，设计了集成文本表示与预测模块的模型框架。通过对比编码器和解码器结构的LLMs（DeBERTa、Mistral、Llama）及其表示融合方式（瓶颈与聚合），实验证明聚合表示普遍提升组合表现，并发现解码器模型在大规模投资组合下表现更优；基于LLMs的预测信号超越传统情绪指标，有效指导股票选取和投资组合构建 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8]
本报告提出了名为DL-opt的深度学习框架，通过结合嵌套不动点算法、自动隐式微分和最优响应动态，成功解决高维量化一般均衡贸易模型中的最优关税和产业补贴政策问题。基于7个经济体和44个行业数据的实证分析显示，不同产业的纳什均衡政策存在显著异质性，产业补贴与规模弹性正相关，而关税与贸易弹性负相关。通过对比全球贸易战与双重政策竞争，发现后者导致更低的关税及更高的福利水平。此外，全球合作政策中的关税趋近零，产业补贴显著与规模弹性相关，显著提升大多数经济体福祉，彰显考虑产业异质性和组合政策的必要性 [page::0][page::4][page::18][page::22][page::24][page::26]
本文研究了大型语言模型（LLMs）在企业信用评级预测中的表现，发现尽管LLMs在文本编码上具备优势，但传统的XGBoost模型结合基础面及宏观经济数据与高密度文本嵌入特征，在数字和多模态数据编码上表现更优，且具有更强的可解释性和稳定性，凸显了在金融多模态预测任务中传统方法的重要性和竞争力 [page::0][page::1][page::5][page::6][page::7]。
本报告针对交易价格存在序列相关性的情况，提出四类基于价格增量方差的买卖价差估计器，涵盖标准无自相关模型、分数布朗运动价格增量自相关模型、均值回复的Ornstein-Uhlenbeck微观结构噪声模型及二者结合模型，深入分析各估计器的无偏性、一致性和渐近正态性等统计性质。通过模拟与真实法国CAC 40指数数据对多个估计器进行比较，验证了新估计器对不同序列相关结构下的估计准确性优于传统方法，尤其是在低流动性的中小市值股票上[page::0][page::1][page::2][page::3][page::4][page::5][page::7][page::8][page::9][page::11][page::12][page::13][page::16][page::18][page::21][page::22][page::23]
本报告研究了在外部竞争影响下的做市商流动性提供问题，构建了一个考虑竞手库存的线性-二次最优控制模型，推导出近似闭式最优策略，并通过数值仿真和强化学习算法对比验证其有效性，揭示了做市商在管理自身库存风险与应对竞手未成交订单之间的权衡关系 [page::0][page::1][page::8][page::10].
